Acceso usuarios
Juan Ordoñez, Andrés Cabrera, Angel Jaramillo Alcázar, William Villegas Ch.
En la actualidad, el crecimiento del parque automotor ha desencadenado un problema en el tráfico vehicular de las grandes ciudades, sobre todo en aquellas que no cuentan con un buen sistema de transporte público. Por esta razón, este trabajo propone una solución de balanceo de tráfico en semáforos, mediante el uso de un modelo de inteligencia visual desarrollado en Python y basado en Yolov3. El presente proyecto se orienta al control y balanceo de tráfico vehicular haciendo uso de los semáforos inteligentes como una propuesta de solución y presentando un prototipo con el cual se busca demostrar una solución para resolver favorablemente la circulación vehicular. Para ello se ha utilizado un modelo de detección de objetos mediante la implementación de una red neuronal convolucional, mismo que funciona sobre la captura de video en tiempo real de dos cámaras ubicadas estratégicamente en semáforos de una intersección. Esta implementación funciona mediante la descomposición de los frames del video los cuales alimentan la red neuronal y donde se realiza un procesamiento de cada uno para el reconocimiento del tráfico en vivo.
Currently, the growth of the vehicle fleet has triggered a problem in vehicular traffic in large cities, especially in those that do not have a good public transport system. For this reason, this work proposes a traffic balancing solution in traffic lights, using a visual intelligence model developed in Python and based on Yolov3. The present project is oriented to the control and balancing of vehicular traffic making use of intelligent traffic lights as a solution proposal and presenting a prototype with which it is sought to demonstrate a solution to favorably resolve vehicular traffic. For this, an object detection model has been used through the implementation of a convolutional neural network, which works on the capture of video in real time from two cameras strategically located at traffic lights at an intersection. This implementation works by decomposing the video frames which feed the neural network and where each one is processed for live traffic recognition
